Hybride Thermodynamische Modelle

• Antragsteller: Professor Dr.-Ing. Fabian Jirasek
• Fachliche Zuordnung: Chemische und Thermische Verfahrenstechnik
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 528649696

Prädiktive thermodynamische Modelle für Mischungen sind von grundlegender Bedeutung in der Verfahrenstechnik, z.B. zur Auslegung und Optimierung von Prozessen. Während physikalische Modelle seit Jahrzehnten entwickelt werden und für viele Zwecke in der industriellen Praxis etabliert sind, eröffnen datengetriebene Methoden aus dem maschinellen Lernen (ML) vielversprechende neue Möglichkeiten. Im vorliegenden Projekt sollen diese beiden Konzepte kombiniert werden, um hybride thermodynamische Modelle zu entwickeln, die die Vorteile beider Ansätze vereinen. Dabei werden zwei grundsätzliche Strategien verfolgt: i) Die Einbettung von ML-Algorithmen in physikalische Modelle und ii) die Integration von physikalischem Wissens in ML-Algorithmen. Für die erste Strategie werden ML-Methoden entwickelt und trainiert, um die Parameter physikalischer Modelle vorherzusagen; dabei werden sowohl Mischungen molekularer Komponente, als auch Mischungen mit Elektrolyten betrachtet. Für die zweite Strategie werden physikalische Gesetze sowie Zwangs- und Randbedingungen in tiefe künstliche neuronale Netze integriert. Dafür werden u.a. sogenannte Physics-Informed Neural Networks (PINN) in das Gebiet der Thermodynamik übertragen. Zudem werden neuartige hard-constraint Methoden entwickelt, bei denen z.B. Konsistenzkriterien direkt in die Modellarchitektur tiefer neuronaler Netze integriert werden. Darüber hinaus werden Methoden zur Versuchsplanung (Design of Experiments, DOE) zur gezielten Erweiterung der verfügbaren Datensätze entwickelt, wofür Strategien aus dem Active Learning verwendet werden. Mit diesen Methoden werden jene noch nicht verfügbaren Datenpunkte identifiziert, deren Messung die größte Verbesserung der hybriden thermodynamischen Modelle verspricht. Dies führt zu einem neuen Paradigma: Während in der Vergangenheit insbesondere dann Messungen durchgeführt wurden, wenn sie in der Praxis benötigt wurden, sollen sie nun so ausgewählt werden, dass sie am meisten Informationen für die künftige Modellierung liefern. Auf Basis der DOE Methoden werden im Rahmen des Projekts Messungen von Stoffeigenschaften geplant und durchgeführt; die neuen Daten werden anschließend zur Verbesserung der entwickelten hybriden Modelle verwendet.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen